Pourquoi ce nombre trompe les équipes
Les équipes s'appuient souvent sur des données historiques sur les ventes pour prédire la demande future. Cependant, lorsque les périodes de promotion ou les pics saisonniers sont traités comme une demande normale, les prévisions deviennent biaisées. Par exemple, une campagne de rabais qui double les ventes pour une semaine gonfle la demande quotidienne moyenne si elle n'est pas correctement isolée. Cela amène les équipes à s'attendre à des volumes similaires pendant les périodes régulières, entraînant une surstockage ou une mauvaise affectation des ressources.
Promotions et campagnes introduisent des pics de demande artificiels qui ne sont pas représentatifs du comportement des clients organiques. Lorsque ces pics sont inclus dans les calculs de base, les prévisions qui en résultent reflètent un mélange de la demande normale et de la demande promotionnelle plutôt qu'un niveau de référence pur. Ce mélange induit en erreur les planificateurs des stocks, les équipes de marketing et les gestionnaires de la chaîne d'approvisionnement qui supposent que les prévisions représentent une demande à l'état stable.
Les événements saisonniers compliquent encore le tableau. Des jours fériés ou des jours de shopping spéciaux comme le Vendredi Noir génèrent des surtensions de la demande qui sont très spécifiques au temps. Si ces hausses sont calculées en moyenne en fonction de la demande de référence, les prévisions surestimeront les ventes pour les périodes hors événement. Les équipes peuvent alors prendre des décisions comme l'augmentation du niveau des stocks ou de la dotation en personnel en fonction des attentes gonflées, ce qui entraîne des inefficacités et des coûts accrus.
Ce que signifie réellement la métrique
La mesure de la demande représente généralement une estimation des ventes futures fondée sur les profils de données historiques. Toutefois, il est important de reconnaître que cette estimation comprend souvent à la fois la demande de base et la demande générée par des promotions ou des événements saisonniers, à moins qu'elle ne soit explicitement séparée.
Dans la pratique, la mesure est un chiffre composite reflétant plusieurs facteurs de demande. La demande de référence tient compte du volume régulier des ventes organiques, sans aucune activité particulière. La demande promotionnelle tient compte des ventes progressives entraînées par des rabais, des campagnes ou des offres de temps limité. La demande saisonnière comprend les fluctuations prévisibles liées aux événements du calendrier ou aux vacances.
Lorsque ces composantes ne sont pas démêlées, la mesure prévisionnelle ne représente pas un seul type de demande, mais plutôt un mélange. Cela signifie que le nombre n'est pas un indicateur pur du comportement normal du consommateur, mais un signal mélangé qui nécessite une analyse plus approfondie pour interpréter correctement.
Lorsque l'interprétation est interrompue
L'interprétation se décompose lorsque les équipes considèrent les prévisions comme une approximation directe de la demande de base sans s'ajuster aux effets promotionnels et saisonniers. Par exemple, si une prévision prévoit 10 000 unités pour le mois suivant sur la base de données historiques qui comprenaient une forte réduction, s'attendre à ce que 10 000 unités dans un mois non promotionnel entraînera probablement une surestimation.
Un autre écueil courant est l'utilisation des prévisions pour fixer les niveaux d'inventaire sans segmenter les facteurs de demande. Le surstockage dû au gonflement des prévisions augmente les coûts de détention et les risques d'obsolescence, tandis que la sous-estimation de la demande promotionnelle peut causer des stocks et des pertes de ventes pendant les campagnes.
De plus, les équipes de marketing et de vente peuvent mal interpréter les prévisions comme une cible de rendement plutôt qu'une estimation. Cela peut conduire à des objectifs irréalistes ou à des incitatifs mal alignés si les prévisions comprennent des pics de demande temporaires qui ne sont pas durables.
Enfin, les systèmes automatisés qui ne font pas la distinction entre la demande de base et la demande promotionnelle peuvent générer des commandes de reconstitution qui ne correspondent pas aux habitudes de consommation réelles, ce qui perturbe l'efficacité de la chaîne d'approvisionnement.
Un exemple concret
Imaginez un détaillant en ligne qui organise de fréquentes campagnes de rabais au cours de l'année. Au cours de ces campagnes, le volume des ventes augmente considérablement. Si le modèle de prévision considère ces ventes promotionnelles comme faisant partie de la demande normale, il gonflera l'estimation de la demande de base. Par exemple, supposons que le détaillant vend habituellement 100 unités par jour, mais pendant une semaine, la campagne de rabais vend 200 unités par jour. Si le modèle ne sépare pas l'effet promotionnel, il peut supposer que 200 unités par jour sont la nouvelle normale. Il en résulte une surestimation de la demande en dehors des périodes de promotion, ce qui entraîne un excédent des stocks et une augmentation des coûts de détention.
Les événements saisonniers ajoutent une autre couche de complexité. Considérez un détaillant qui connaît une augmentation naturelle des ventes pendant la saison des fêtes, mais qui effectue également de nombreuses promotions pendant cette période. Si le modèle ne permet pas de faire la distinction entre l'élévation saisonnière et l'élévation promotionnelle, il peut doubler l'effet, ce qui fausse davantage le niveau de référence. Par exemple, si la demande de vacances de base est de 150 unités par jour et que les promotions ajoutent 50 unités, un modèle qui les consolide prévoira 200 unités comme demande de vacances de base pour les prochaines saisons, même sans promotion.
Il est difficile pour les algorithmes de les identifier comme des anomalies ou des événements spéciaux lorsque les campagnes ressemblent à des modèles de demande normaux en temps et en ampleur. Ceci est particulièrement vrai pour les modèles d'apprentissage automatique formés sur les données de ventes historiques sans drapeaux promotionnels explicites ou indicateurs d'événements. Le résultat est une prévision de base qui intègre des pics promotionnels, réduit l'exactitude des prévisions et conduit à de mauvaises décisions opérationnelles.
Comment diagnostiquer le problème
La première étape du diagnostic des prévisions de la demande déformée consiste à analyser les données historiques sur les ventes ainsi que les calendriers promotionnels. Recherchez les périodes où les volumes de ventes s'écartent considérablement des modèles typiques et vérifiez si ceux-ci s'harmonisent avec les campagnes, les rabais ou les événements saisonniers. Si la prévision suit de près ces pics comme s'il s'agissait d'une demande normale, cela indique que le modèle ne tient pas compte adéquatement des effets promotionnels.
Une autre approche diagnostique consiste à comparer les mesures de précision des prévisions pendant les périodes promotionnelles et non promotionnelles. Un modèle qui fonctionne bien au cours d'une demande régulière, mais qui est mal au cours ou après les promotions, peut être trop adapté aux données promotionnelles de base. Par exemple, l'erreur moyenne en pourcentage absolu (MAPE) pourrait augmenter de façon significative pendant les périodes postérieures à la promotion, signalant des estimations de base déformées.
L'inspection visuelle des parcelles de prévision par rapport aux parcelles de vente réelles peut également révéler des problèmes. Si les prévisions surestiment systématiquement la demande après des promotions ou des événements saisonniers, elles suggèrent que le modèle a appris des pics promotionnels dans le cadre de la demande de base. De plus, la vérification de l'importance des caractéristiques dans les modèles d'apprentissage automatique peut aider à déterminer si les indicateurs promotionnels sont manquants ou sous-pondérés.
Enfin, il est crucial d'examiner les étapes du prétraitement des données. Si les drapeaux promotionnels ou l'information sur les rabais ne sont pas inclus ou sont incomplets, le modèle ne peut faire la distinction entre la demande normale et la demande promotionnelle. Cela entraîne souvent une contamination de base et une ventilation des prévisions.
Comment résoudre ça vous-même
La solution la plus efficace consiste à intégrer explicitement l'information promotionnelle et saisonnière dans le modèle de prévision. Il s'agit de marquer les données historiques sur les ventes avec les périodes de campagne, les niveaux de rabais et les indicateurs d'événements. En fournissant ces caractéristiques, le modèle peut apprendre à séparer la demande de base de l'élévation promotionnelle.
Une approche pratique consiste à établir un modèle de demande de base en utilisant seulement des périodes non promotionnelles. Ce niveau de référence peut ensuite être combiné avec un modèle d'élévation distinct qui estime les ventes supplémentaires en raison des promotions. La dernière prévision est la somme de l'élévation de base et promotionnelle, en améliorant l'exactitude et l'interprétation.
Si la construction de modèles distincts n'est pas possible, assurez-vous que les variables promotionnelles sont incluses dans un modèle unique. Par exemple, inclure les drapeaux binaires pour les jours de campagne, les pourcentages de rabais et les indicateurs d'événements saisonniers. Mettre à jour et maintenir régulièrement ces caractéristiques pour refléter les changements apportés aux stratégies de promotion.
La qualité des données est primordiale. Maintenir des calendriers promotionnels précis et complets et des dossiers de rabais. Les données manquantes ou incorrectes nuisent à la capacité du modèle d'apprendre des effets promotionnels.
Une autre technique utile consiste à appliquer des méthodes de décomposition de séries chronologiques pour séparer les tendances, la saisonnalité et les résidus. Cela peut aider à isoler la demande de base des pics promotionnels irréguliers. Régler la composante de base en conséquence avant d'alimenter les données en modèles de prévision.
Enfin, validez votre modèle amélioré en comparant l'exactitude des prévisions avant et après l'intégration de l'information promotionnelle. Utiliser des périodes de validation croisée et de maintien qui comprennent des promotions pour assurer la robustesse. Surveiller continuellement le rendement et mettre à jour les modèles à mesure que les stratégies promotionnelles évoluent.
Comment Layer Insights approche
La prévision de la demande repose sur l'identification du modèle de la demande de base, qui représente le comportement d'achat typique des clients sans influence externe. Les campagnes, les rabais et les événements saisonniers entraînent des pics ou des baisses temporaires de la demande qui s'écartent de ce niveau de référence. Lorsque ces activités de promotion ressemblent à des modèles de demande normaux, les modèles de prévision peuvent les traiter à tort comme faisant partie de la base de référence, causant des inexactitudes.
Les promotions entraînent souvent une augmentation soudaine du volume des ventes. Si les modèles de prévision ne distinguent pas ces pics de la demande régulière, ils pourraient surestimer la demande future, ce qui se traduirait par des stocks ou des stocks excédentaires lorsque la promotion prendra fin. Les événements saisonniers, comme les jours fériés ou les ventes annuelles, créent des hausses de la demande prévisibles mais irrégulières. Sans ajustements appropriés, ces événements peuvent fausser le niveau de référence et réduire la fiabilité des prévisions.
Les rabais peuvent également changer le moment d'achat du client. Les acheteurs peuvent faire des avances ou retarder les achats pour profiter des réductions de prix, ce qui entraîne des changements de la demande qui confondent les modèles en s'appuyant sur des données historiques. Cette distorsion temporelle rend difficile de séparer la croissance réelle de la demande des effets promotionnels.
En résumé, lorsque les activités de promotion imitent les tendances normales de la demande, les méthodes traditionnelles de prévision ont du mal à isoler la demande réelle de base. Cela conduit à des prévisions qui surréagissent ou sousréagissent aux influences promotionnelles, sapant la planification des stocks et les stratégies de marketing.
La règle de décision
Layer Insights utilise des techniques d'analyse avancées pour différencier la demande de base des effets promotionnels. En intégrant plusieurs sources de données comme les calendriers de campagne, les détails de rabais et les calendriers saisonniers des événements, la plateforme identifie les périodes influencées par les promotions et ajuste les signaux de demande en conséquence.
L'approche consiste à décomposer les données sur les ventes historiques en composantes représentant la demande de base, l'élévation promotionnelle et les variations saisonnières. Cette décomposition permet à Layer Insights d'isoler le véritable modèle de demande sous-jacent et de générer des prévisions qui reflètent le comportement organique du client.
Les modèles d'apprentissage automatique au sein de Layer Insights apprennent continuellement à partir de nouvelles données, améliorant leur capacité à détecter des impacts promotionnels subtils qui ressemblent à une demande normale. Cet apprentissage adaptatif garantit que les prévisions demeurent exactes même à mesure que les stratégies promotionnelles évoluent.
De plus, Layer Insights assure la transparence en offrant des rapports d'attribution détaillés. Ces rapports montrent combien la demande est motivée par des promotions par rapport aux facteurs de base, ce qui permet aux opérateurs de commerce électronique de prendre des décisions éclairées en matière d'inventaire et de commercialisation.